STARWARCLOUD STARWAR.AI
返回市场
游标对话mcp

游标对话mcp

作者：vltansky18 星标更新：2025-11-17
安装使用来源：spider==github.com

项目介绍

Cursor 聊天历史 MCP

让AI助手访问您的Cursor聊天记录。

这是一个模型上下文协议（MCP）服务器，允许Cursor、Claude和其他AI助手读取并分析您的Cursor聊天数据。这使得可以根据您实际的开发模式和历史提供个性化的编码帮助。

<a href="https://glama.ai/mcp/servers/@vltansky/cursor-conversations-mcp"> <img width="380" height="200" src="https://gips2.baidu.com/it/u=2562568608,2632282680&fm=3081&app=3081&f=PNG?w=760&h=400" alt="Cursor Conversations Server MCP服务器" /> </a>

这可以实现什么

您可以要求您的AI助手：

  • 分析您的聊天历史以了解您的编码模式和使用统计数据
  • 根据您的实际开发讨论生成项目特定规则
  • 从过去的解决问题会话中提取见解并找到相关对话
  • 基于关于您代码的实际对话创建文档
  • 导出聊天数据进行外部分析和可视化
  • 查找并应用您已经解决过的解决方案

主要优势

生成个性化规则：根据您的实际开发模式创建编码标准，而不是通用的最佳实践。

从您的历史中学习：从过去的聊天中提取见解以改进未来的开发。

上下文感知的帮助：获得基于您具体项目和编码风格的帮助。

模式识别：在您的开发工作中识别重复的主题和解决方案。

快速开始

1. 配置MCP

添加到您的.cursor/mcp.json：

{
  "mcpServers": {
    "cursor-chat-history": {
      "command": "npx",
      "args": ["-y", "--package=cursor-chat-history-mcp", "cursor-chat-history-mcp"]
    }
  }
}

2. 开始使用

"分析我的React对话并创建组件指南"
"在我的聊天历史中查找调试模式"
"从我实际使用的代码生成TypeScript编码标准"
"我最近的编码讨论中的主要主题是什么？"

可用工具

核心工具

  • list_conversations - 使用过滤选项浏览对话，并可选地评分项目相关性
  • get_conversation - 检索完整的对话内容，包括代码和文件引用
  • search_conversations - 增强搜索功能，支持多关键词、LIKE模式和文本搜索

数据分析与提取工具

  • get_conversation_analytics - 包括使用模式、文件活动、编程语言分布和时间趋势在内的全面分析
  • find_related_conversations - 根据共享文件、文件夹、语言、大小或时间接近度查找相关对话
  • extract_conversation_elements - 提取文件、代码块、语言、元数据和对话结构，具有灵活的分组选项
  • export_conversation_data - 将聊天数据导出为JSON、CSV或图形格式，以便进行外部分析和可视化

常见用例

生成编码规则

"从我的对话中创建TypeScript接口命名约定"
"提取错误处理模式并创建指南"
"找出所有关于测试的讨论并创建最佳实践"

提取最佳实践

"展示我在项目中通常如何使用React钩子"
"在我的状态管理讨论中寻找模式"
"分析我的类继承使用情况并创建指南"

高级分析

"查找我讨论特定函数或模式的对话"
"跨项目搜索文件特定的讨论"
"比较我随时间如何解决类似问题"

创建项目文档

"从我的服务讨论中生成API文档"
"从我的认证模块讨论中创建技术文档"

从过去解决方案中学习

"查找类似的调试会话并提取解决方案"
"分析我的性能优化讨论"

数据分析与见解

"获取过去三个月内我的编码模式的全面分析"
"将包含React代码的所有对话导出为CSV进行分析"
"查找与此数据库迁移讨论相似的对话"

隐私与安全

  • 本地运行 - 您的聊天数据永远不会离开您的机器
  • 无外部服务 - 直接访问您的本地Cursor数据库
  • 无需API密钥 - 不与外部服务共享数据
  • 完全控制 - 您决定何时以及访问哪些数据

工作原理

高效性的总结优先方法

整个系统设计既强大又上下文高效：

数据访问过程

  1. 完整内容分析：所有工具访问完整的聊天数据，包括：

    • 完整的消息文本和代码块
    • 文件引用和文件夹路径
    • 对话元数据和标题
    • AI生成的摘要

  2. 智能结果交付：不同的工具提供专注的输出：

    • list_conversations：返回带有标题和元数据的对话摘要
    • search_conversations：搜索完整内容但仅返回摘要和相关性评分
    • 分析工具：提取见解和模式而不提供过多细节

  3. 总结优先的结果：大多数工具返回：

    • 对话摘要和标题
    • 关键元数据（文件、文件夹、消息数量）
    • 当可用时，AI生成的摘要
    • 相关评分和分析

为什么这种设计？

  • 上下文效率：避免用完整消息内容淹没AI助手
  • 性能：摘要更小且处理速度更快
  • 可发现性：用户可以快速扫描结果以识别相关的对话
  • 需要时深入挖掘：使用get_conversation来获取特定对话的完整内容

这种方法让您能够有效地浏览、搜索和分析您的聊天历史，然后仅深入到对当前任务重要的对话。

安装

开发

git clone https://github.com/vltansky/cursor-chat-history-mcp
cd cursor-chat-history-mcp
yarn install
yarn build

使用

上述的npx配置会自动处理安装。

工具参考

输出格式

所有工具通过outputMode参数支持JSON输出格式：

  • json（默认） - 带有适当缩进的格式化JSON，便于阅读
  • compact-json - 无格式的最小化JSON

核心工具

list_conversations

  • limit（默认：10） - 返回的对话数量
  • includeAiSummaries（默认：true） - 包含AI生成的摘要以提高浏览效率
  • projectPath - 按项目路径筛选
  • includeRelevanceScore（默认：false） - 按项目路径筛选时包含相关性评分
  • hasCodeBlocks - 筛选带有/不带代码的对话
  • keywords - 按关键词搜索
  • filePattern - 按文件模式筛选

get_conversation

  • conversationId（必需） - 要检索的对话
  • summaryOnly（默认：false） - 获取增强摘要而不包含完整内容以节省上下文
  • includeMetadata（默认：false） - 包含附加元数据

search_conversations - 多种方法的增强搜索

  • 简单查询：query - 基本文本搜索（向后兼容）
  • 多关键词：keywords数组与keywordOperator（'AND'/'OR'）
  • LIKE模式：likePattern - SQL LIKE模式（% =任意字符，_ =单个字符）
  • searchType（默认：'all'） - 'all', 'project', 'files', 'code'
  • maxResults（默认：10） - 最大结果数
  • includeCode（默认：true） - 包含代码块

数据分析与提取工具

get_conversation_analytics

  • scope（默认：'all'） - 'all', 'recent', 'project'
  • projectPath - 专注于特定项目（当scope='project'时必需）
  • recentDays（默认：30） - 近期范围的时间窗口
  • includeBreakdowns（默认：['files', 'languages']） - 分析类型：'files', 'languages', 'temporal', 'size'

find_related_conversations

  • referenceConversationId（必需） - 起始对话
  • relationshipTypes（默认：['files']） - 'files', 'folders', 'languages', 'size', 'temporal'
  • maxResults（默认：10） - 结果数量
  • minScore（默认：0.1） - 最低相似度评分（0-1）
  • includeScoreBreakdown（默认：false） - 显示个别关系评分

extract_conversation_elements

  • conversationIds - 特定对话（可选，如果为空则处理所有）
  • elements（默认：['files', 'codeblocks']） - 'files', 'folders', 'languages', 'codeblocks', 'metadata', 'structure'
  • includeContext（默认：false） - 包含周围的消息文本
  • groupBy（默认：'conversation'） - 'conversation', 'element', 'none'
  • filters - 按代码长度、文件扩展名或语言筛选

export_conversation_data

  • conversationIds - 特定对话（可选，如果为空则导出所有）
  • format（默认：'json'） - 'json', 'csv', 'graph'
  • includeContent（默认：false） - 包含完整消息文本
  • includeRelationships（默认：false） - 计算文件/文件夹连接
  • flattenStructure（默认：false） - 扁平化以适应CSV
  • filters - 按大小、代码块或项目路径筛选

数据库路径

自动检测位置：

  • macOS：~/Library/Application Support/Cursor/User/globalStorage/state.vscdb
  • Windows：%APPDATA%/Cursor/User/globalStorage/state.vscdb
  • Linux：~/.config/Cursor/User/globalStorage/state.vscdb

技术说明

  • 支持旧版和新版Cursor对话格式
  • 使用SQLite访问Cursor的聊天数据库
  • 在运行前关闭Cursor以避免数据库锁定问题
  • 通过大小（>1000字节）过滤对话以排除空对话
  • 使用ROWID进行时间顺序排序（UUID不是时间顺序）

贡献

  1. 分叉仓库
  2. 创建功能分支
  3. 进行更改
  4. 如适用，添加测试
  5. 提交拉取请求

许可证

MIT